递归谱划分：点云生成的分治新范式

1. 先理解本文要解决什么问题：点云生成为什么需要分治

点云生成是三维视觉和图形学里的基础问题。给定一个物体类别，或者一个局部几何约束，模型要输出一组空间点坐标，让这些点尽量贴近真实物体表面。早期方法大多直接回归点坐标，或者把问题建模成点集分布拟合。但当点云点数增多、结构变复杂时，直接生成会遇到两个问题：一是高分辨率点云需要大量输出通道，内存和计算开销快速上升；二是点云内部不同区域的结构差异很大，单一网络很难同时刻画平坦表面、尖锐边缘和复杂拓扑。

“Learning to Tessellate: Point Cloud Generation via Recursive Spectral Partitioning”这篇论文提出了一条完全不同的技术路线：不直接生成点，而是递归地将三维空间划分成若干子区域，让每个子区域不断细分，直到生成的区域内部足够简单，再生成点。这套思路的核心是“递归谱划分”，也就是对空间区域做谱聚类式的二分或分治。换个通俗说法：它不期望一个模型一口吃成胖子，而是像画地图一样，先把大区域切成小区域，再让小区域各自处理自己的细节。

这篇文章适合以下读者：

• 正在做点云补全、点云生成或三维形状重建的研究者；
• 想在生成模型中引入结构化先验的工程师；
• 对谱方法、空间划分、树结构和生成模型感兴趣的人；
• 想复现论文实验，但卡在数据集准备、模型训练和评估指标上的学生。

读完这篇文章，你会理解递归谱划分生成点云的整体流程，掌握最基本的数学表达和伪代码，能够搭建一个简化的复现项目，并知道评估点云生成结果时要用哪些指标、遇到常见报错该怎么排查。

2. 核心概念拆解：点云、谱划分和递归细分的配合关系

2.1 点云生成的难点在于结构不是均匀分布的

点云是一组三维坐标集合，例如一个桌子的点云可能包含桌面大片平坦区域、桌腿的四条细长结构、桌边的锐利棱线。如果用一个全连接网络直接输出 N 个点的三维坐标，网络需要从全局向量中恢复所有局部细节。对于简单类别（如球体）或许可行，但对于椅子、汽车、飞机这类复杂类别，全局到局部的映射会变得非常不稳定。

另一个常见做法是使用深度生成模型，比如对抗生成网络或扩散模型，直接估计点云分布。这类方法效果不错，但训练复杂，而且很难控制生成点云的拓扑结构。递归谱划分方法把问题重新定义成“划分 - 递归 - 生成”三步：先用谱聚类找到当前区域的自然分割边界，再对每个子区域递归执行相同操作，最终在叶子区域生成点。这样做的好处是，每个网络只需要负责一个小而简单的局部区域，生成难度被大幅降低。

2.2 谱划分是什么：用拉普拉斯矩阵切分空间

谱聚类是机器学习里的经典方法。给定一组点，构造它们之间的相似度图，然后计算图的拉普拉斯矩阵，取最小特征值对应的特征向量作为低维嵌入，最后对嵌入做聚类。在点云生成的场景里，谱划分不是对输入点云聚类，而是对“空间区域”做划分。

具体含义是：当前有一个包围盒或一个空间区域，我们希望把它切成两个子区域，使得两个子区域之间的连接尽量少，每个子区域内部的几何结构尽量一致。这就需要定义区域内部的连接关系。论文中的一个常见做法是，在当前区域里采样一组密度点或体素中心，建立近邻图，然后计算拉普拉斯矩阵的 Fiedler 向量，也就是第二小特征值对应的特征向量。Fiedler 向量的正负号可以把区域划成两半。

这种划分方式不是简单的按坐标轴切分，而是按几何连通性切分。两个空间上靠近但被狭长缝隙隔开的区域，有可能被谱划分分到不同子区域；而两个空间距离较远但通过窄带连接的区域，谱划分会尽量在窄带处切开。这是它优于均匀网格划分和八叉树划分的关键点。

2.3 递归细分：从全局到局部的树状结构

递归谱划分会生成一棵二叉树。根节点代表整个物体的空间范围，每次划分把当前节点分成左右两个孩子节点，直到达到预设的深度或叶子节点内部点数足够少。每个叶子节点对应一个局部区域，网络在这些叶子区域上分别生成点。

树的深度直接影响生成点云的分辨率和结构粒度。深度越深，叶子区域越小，生成的点越精细，但需要更多的划分步骤，计算开销也更大。浅层树适合低分辨率点云，深层树适合高分辨率点云。这种结构本质上是一种自适应空间层次结构，类似八叉树，但划分边界不是固定的坐标轴平面，而是由数据驱动的谱边界。

表：递归谱划分与常见空间划分方式对比

实际工程中，八叉树是无符号距离场和神经辐射场常用的加速结构，而谱划分更适合做几何感知的递归分解。二者并不冲突，只是谱划分在“同一深度下保留更多几何语义”上更有优势。

2.4 为什么叫“Tessellate”

Tessellate 原本指把平面或空间铺满瓦片、镶嵌成 mosaic 图案。在图形学里，曲面细分也叫 tessellation，指把大面片拆成小三角形或小四边形。本文标题里的 Tessellate 传达的意思是：用递归划分把三维空间铺成由多个子区域组成的拼图，每个子区域是拼图的一块瓦片，最后这些瓦片上的点拼成完整物体形状。

理解这一点很重要，因为后续所有模块都是围绕“空间划分”设计的：编码器要输出区域特征，划分模块要决定怎么切，叶子生成器要在小区域里补点。整条链路不是“输入全局形状、输出点云”的端到端黑箱，而是“全局理解加上局部决策”的结构化生成过程。

3. 方法框架：递归谱划分生成点云的整体流程

论文总体框架可以拆成四个环节：

1. 输入编码：使用点云编码器（例如 PointNet 或 PointNet++）提取全局和局部特征。
2. 谱划分预测：一个划分网络根据当前区域特征，预测划分矩阵或划分方向，决定将区域一分为二。
3. 递归执行：对划分出的子区域重复预测，直到达到最大深度。
4. 叶子点生成：在每个叶子区域生成固定数量的点，合并所有叶子输出得到最终点云。

这里要区分两个概念：谱划分本身和划分网络。谱划分是目标函数中的先验或正则，而划分网络是学习如何预测划分。传统的谱聚类需要显式构造相似度矩阵并做特征分解，计算代价高且不可导。论文的改进是让网络学习预测“等价于谱划分结果”的划分方式，这样既保留谱划分的几何优点，又能在神经网络里端到端训练。

3.1 编码器：如何得到区域特征

对于当前区域，先把它内部的点坐标转换到局部坐标系。假设当前节点包围盒中心为 c，边长为 s，可以把每个点归一化到 [-1, 1] 范围，再输入编码器。编码器输出一个特征向量，代表当前区域的几何概况。这个特征向量会被用于两个地方：预测划分、生成叶子点。

如果采用 PointNet++，还可以在不同半径的邻域内聚合特征，这样划分网络能感知局部密度变化和边缘结构。

3.2 划分网络：从特征到划分矩阵

划分网络输入区域特征，输出一个划分矩阵。这个矩阵的规模与当前区域内部采样的点数相关。论文中常用做法是，把当前区域均匀采样 K 个点，每个采样点获得一个二分类概率，概率值把采样点分成两组。两组采样点各自构成子区域的近似表示。

为了让划分结果接近谱划分，损失函数中要加入谱划分一致性约束。一种可行方式是：先对当前区域构造近邻图，计算拉普拉斯矩阵，求解 Fiedler 向量，然后用网络输出的划分向量去匹配 Fiedler 向量的符号。也就是说，网络在模仿谱聚类的结果，但推理时可以绕开特征分解，直接吃特征出划分。

损失函数示意：

# 伪代码：谱划分匹配损失 def spectral_partition_loss(sample_coords, pred_partition): # 根据采样点坐标构造近邻图 adj = build_knn_graph(sample_coords, k=8) L = compute_laplacian(adj) _, fiedler_vec = smallest_eigenvectors(L, k=2) target = sign(fiedler_vec) return binary_cross_entropy(pred_partition, target)

这段代码说明：训练阶段我们需要先算一次谱聚类结果作为监督信号；推理阶段不使用这个模块，模型直接输出划分。因为 Fiedler 向量只是一个软指导，真正要让网络学会划分，还需要加结构一致性损失，让划分后两个子区域都尽量紧凑。

3.3 叶子生成器：在局部区域里补点

到达最大深度后，叶子区域不再划分，而是由生成器直接输出固定数量的点。生成器输入当前区域特征，输出一个 M x 3 的张量，代表 M 个点的局部坐标。为了实现高分辨率点云，M 可以和叶子区域大小、物体复杂度相关。论文中通常设置每个叶子生成 32、64 或 128 个点，具体数量由实验决定。

叶子生成器可以使用简单的多层感知机，也可以使用条件生成网络。如果希望点云分布更均匀，可以加入排斥损失或最远点采样约束。

3.4 整个递归过程的伪代码

def generate_point_cloud(encoder, partition_net, leaf_net, max_depth, num_points_per_leaf): root_feature = encoder(input_points) # 全局或初始区域特征 regions = [(root_bbox, root_feature, 0)] final_points = [] while regions: bbox, feature, depth = regions.pop() if depth == max_depth: local_points = leaf_net(feature, num_points_per_leaf) final_points.append(transform_to_global(local_points, bbox)) else: partition = partition_net(feature) left_bbox, right_bbox = split_bbox(bbox, partition, sample_points_in_bbox(bbox)) left_feature = encoder(sample_points_in_bbox(left_bbox)) right_feature = encoder(sample_points_in_bbox(right_bbox)) regions.append((left_bbox, left_feature, depth + 1)) regions.append((right_bbox, right_feature, depth + 1)) return concatenate(final_points)

这段流程展示了解码阶段，也就是从根节点开始递归展开二叉树。实际训练时，输入点云会被先经过真实划分生成训练样本，网络学习每个节点上如何划分。推理时才用预测的划分去展开树。

4. 复现准备：环境、数据集和目录结构

正式开始复现之前，先把环境对齐。论文涉及 PyTorch、点云处理、几何计算和可视化工具，下面是一份在常见项目中能跑通的配置清单。

4.1 环境要求

建议使用 NVIDIA GPU，显存不低于 8GB。训练时显存开销来自编码器、划分网络和叶子生成器的特征计算，以及每层递归产生的中间特征。如果资源有限，可以先降低 batch size、降低最大深度、减小每个叶子生成的点数量。

python -m venv tessellate_env source tessellate_env/bin/activate pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install numpy scipy matplotlib open3d tensorboard tqdm pip install pointnet2_ops # 如果使用 PointNet++ 加速算子

如果没有 GPU，CPU 也可以跑通小规模演示，但完整训练会非常慢。建议先跑一个深度为 3、每叶子 32 点的玩具实验验证代码逻辑，再上完整配置。

4.2 数据集准备：ShapeNet 与最小演示数据

论文在 ShapeNet 的多个类别上做实验，包括椅子、飞机、汽车等。ShapeNet 数据集规模较大，下载和处理都需要额外脚本。如果只是复现主流程，可以先用三类数据做一个 Mini 版：

• ShapeNetCore.v1 中的 chair、airplane、car 三个类别；
• 每类取 100 个模型，使用官方点云采样脚本生成 2048 个点；
• 训练和测试按 8:2 划分。

如果暂时没有数据集，可以用简单几何体生成调试数据，比如在单位球面上采样点、在立方体表面采样点。这样能验证代码逻辑是否出错，但不代表模型真正学会生成复杂形状。

4.3 项目目录结构

一个清晰的项目结构能减少排查成本。下面目录可以按实际项目调整：

tessellate/ ├── configs/ # 配置文件 ├── data/ # 数据集 ├── datasets/ # 数据加载类 ├── models/ # 编码器、划分网络、叶子生成器 ├── utils/ # 几何计算、可视化、指标计算 ├── scripts/ # 训练与评估脚本 ├── train.py ├── evaluate.py └── README.md

# configs/train.yaml 示例 data: root: ./data/shapenet_mini categories: [chair, airplane, car] num_points: 2048 model: encoder: pointnet2 max_depth: 4 points_per_leaf: 32 hidden_dim: 128 train: batch_size: 8 learning_rate: 0.001 epochs: 200 device: cuda log_dir: ./logs

这里的max_depth: 4表示递归 4 层，叶子数量最多为 2 的 4 次方，也就是 16 个叶子区域。如果数据形状简单，可以减少到 3 层。

5. 最小可运行实现：用 PyTorch 写一个简化版本

下面给出一个可以运行的最小实现，它不追求完整复现论文的每一处细节，而是还原最主要的递归谱划分生成链路。这个简化版本包括：数据样本、编码器、划分网络、叶子生成器、训练循环和可视化输出。

5.1 编码器：简单 PointNet 风格

import torch import torch.nn as nn import torch.nn.functional as F class PointNetEncoder(nn.Module): def __init__(self, input_dim=3, hidden_dim=128): super().__init__() self.mlp1 = nn.Sequential( nn.Linear(input_dim, 64), nn.ReLU(), nn.Linear(64, 128), nn.ReLU(), ) self.mlp2 = nn.Sequential( nn.Linear(128, 256), nn.ReLU(), nn.Linear(256, hidden_dim), ) def forward(self, points): # points: [B, N, 3] x = self.mlp1(points) # [B, N, 128] x = x.max(dim=1).values # 全局最大池化，[B, 128] x = self.mlp2(x) # [B, hidden_dim] return x

PointNet 编码器对点序不敏感，可处理任意点数的输入。这里最大池化把整片区域的信息压缩成一个全局特征，适合做区域级决策。

5.2 划分网络：输出二分类概率

class PartitionNet(nn.Module): def __init__(self, feature_dim=128, num_sample_points=64): super().__init__() self.num_sample_points = num_sample_points self.fc = nn.Sequential( nn.Linear(feature_dim + 3, 128), nn.ReLU(), nn.Linear(128, 64), nn.ReLU(), nn.Linear(64, 1), ) def forward(self, region_feature, candidate_points): # region_feature: [B, feature_dim] # candidate_points: [B, K, 3] B, K, _ = candidate_points.shape feat = region_feature.unsqueeze(1).expand(-1, K, -1) # [B, K, feature_dim] x = torch.cat([candidate_points, feat], dim=-1) logits = self.fc(x).squeeze(-1) # [B, K] return logits

划分网络把区域特征和每个候选点的坐标拼在一起，对每个候选点预测一个二分概率。候选点是当前包围盒内均匀采样的点，用来近似区域的几何范围。K 越大，划分边界可以表达得越精细，但网络输出维度也越高。

5.3 谱划分目标：构造图拉普拉斯并计算 Fiedler 向量

import numpy as np from scipy.spatial import cKDTree from scipy.sparse.linalg import eigsh def fiedler_vector(points, k=8): # points: [N, 3] tree = cKDTree(points) dist, idx = tree.query(points, k=k + 1) adj = np.zeros((len(points), len(points))) for i in range(len(points)): for j in idx[i][1:]: adj[i, j] = 1.0 deg = np.diag(adj.sum(axis=1)) L = deg - adj vals, vecs = eigsh(L, k=2, which='SM') fiedler = vecs[:, 1] return fiedler

这段代码构造了 k 近邻图，计算拉普拉斯矩阵，取第二小特征向量作为划分方向的监督信号。eigsh要求矩阵可进行稀疏特征分解，点数太多时耗时很高，所以训练时通常对区域采样少量点来计算。

5.4 叶子生成器：从特征直接生成点坐标

class LeafGenerator(nn.Module): def __init__(self, feature_dim=128, num_points=32): super().__init__() self.num_points = num_points self.fc = nn.Sequential( nn.Linear(feature_dim, 256), nn.ReLU(), nn.Linear(256, num_points * 3), ) def forward(self, feature): # feature: [B, feature_dim] points = self.fc(feature).view(-1, self.num_points, 3) return torch.tanh(points) # 限制在 [-1, 1]，便于归一化

叶子生成器输出的点限制在 [-1, 1] 范围内，因为训练时区域内部坐标做了归一化。推理时需要把局部坐标乘上区域边长，再加上区域中心，变换回全局坐标。

5.5 训练循环示例

def train_step(model, optimizer, points, target_points, num_sample=64): B, N, _ = points.shape total_loss = 0.0 region_feature = model.encoder(points) candidate = torch.rand(B, num_sample, 3) * 2 - 1 # 归一化采样候选点 partition_logits = model.partition_net(region_feature, candidate) real_fiedler = fiedler_vector_batch(points, num_sample) partition_loss = F.binary_cross_entropy_with_logits( partition_logits, real_fiedler.unsqueeze(-1) ) leaf_points = model.leaf_net(region_feature) reconstruction_loss = chamfer_distance(leaf_points, target_points) loss = partition_loss + reconstruction_loss optimizer.zero_grad() loss.backward() optimizer.step() return loss.item()

训练时同时优化划分目标和叶子点重建目标。划分目标让网络学会如何切分区域，重建目标让叶子生成器在局部区域生成合理点。二者缺一不可，如果只算重建损失，划分网络可能退化成随机划分；如果只算划分损失，叶子生成器无法生成正确形状。

6. 关键参数与工程细节

6.1 最大深度的影响

最大深度是递归谱划分最重要的超参数之一。它决定树的高度，也就是划分次数。深度增大一方面能提高生成点云的分辨率和几何复杂度，另一方面会导致训练时特征分解和递归展开的计算量指数级上升。常见的设定在 3 到 5 之间，具体要看目标点云的点数和形状复杂度。

表：最大深度与叶子数量对应关系

6.2 候选点数量 K

划分网络对候选点做二分类，候选点数量 K 决定了划分边界的精度。K 太小，划分边界粗糙，容易出现严重锯齿；K 太大，内存和计算开销上升，而且训练时为目标计算 Fiedler 向量的成本也会增加。建议从 64 开始，若生成点云边界不清晰可以提升到 128 或 256。

6.3 近邻图参数 k

构造近邻图时 k 的选择影响拉普拉斯矩阵和图连通性。k 太小，图可能断裂，Fiedler 向量无法稳定表达划分；k 太大，图会过度连接，划分失去局部性。常见取值在 4 到 12 之间。数据分布稀疏时适当增大 k。

6.4 损失权重的平衡

论文通常把划分损失和重建损失结合起来。划分损失权重过大会导致网络只关注如何把空间切开，而不关心最终生成点云好不好；重建损失权重过大会导致划分网络失去监督信号。一个稳妥做法是先让重建损失主导训练，待点云大致成型后，再逐渐提高划分损失的权重。

7. 运行验证与常见问题排查

7.1 如何验证训练是否正常

训练时重点观察三个信号：

• 训练损失是否稳定下降。如果损失震荡剧烈，可能需要降低学习率；
• 划分准确率是否为 50% 左右起步。因为二分任务随机猜也是 50%，训练初期接近 50% 是正常的，长期不上升说明监督信号或网络结构有问题；
• 叶子生成点是否逐渐形成局部形状。可以周期性地保存可视化图片，用 Open3D 展示中间结果。

import open3d as o3d import numpy as np def visualize_points(points, path="output.ply"): pcd = o3d.geometry.PointCloud() pcd.points = o3d.utility.Vector3dVector(points) o3d.io.write_point_cloud(path, pcd)

训练阶段建议每 10 个 epoch 保存一次可视化点云，这样能直观看到递归划分是否在逐步细化。

7.2 常见问题排查

表：训练和推理过程中的典型问题

7.3 为什么谱分解不能在推理时用

训练时使用谱分解是为了提供监督信号，但推理时如果还执行特征分解，速度会非常慢，而且不可导。关键是让网络在推理时通过“看特征”直接预测划分结果。这样推理阶段只需要一次前向传播，复杂度由网络结构决定，而不是由特征分解算法决定。这也是该方法和直接在推理时跑谱聚类的本质区别。

训练时，Fiedler 向量只作为软目标，不需要完全精确。如果追求训练稳定，可以先对每个区域预计算谱划分结果保存到磁盘，作为离线标签。这样训练时不需要在线做特征分解，速度会快很多。

8. 评估指标与实验对比

8.1 Chamfer Distance

Chamfer Distance（CD）是点云生成最常用的指标。它计算两个点云之间双向最近邻距离的平均值。数值越低，说明生成点云与真实点云越接近。

def chamfer_distance(pred, gt): from torch.cdist import cdist dist = cdist(pred, gt) # [B, N_pred, N_gt] min_pred_to_gt = dist.min(dim=2).values.mean(dim=1) min_gt_to_pred = dist.min(dim=1).values.mean(dim=1) return (min_pred_to_gt + min_gt_to_pred) / 2

Chamfer Distance 对点云密度变化比较敏感。生成点云如果只在部分区域集中，另一个方向的距离会很大，所以它能有效反映覆盖度。

8.2 Earth Mover‘s Distance

推土机距离（EMD）计算两个点集之间的最小匹配代价。它比 Chamfer Distance 对分布保真度要求更高，但计算代价也更高。高分辨率点云上使用 EMD 往往需要二次分配算法，显存和耗时都会上升。论文中通常同时报告 CD 和 EMD，以平衡“几何覆盖度”和“分布保真度”。

8.3 其他指标

• F-score：在给定阈值下，生成点云和真实点云之间互相匹配的点比例；
• 点到面距离：如果真实数据是网格模型，可以把生成点投影到真实表面，计算点到面的距离；
• 均匀度：检查生成点云在物体表面是否分布均匀，避免点聚集在某个局部区域。

8.4 与八叉树方法、直接回归方法的对比角度

递归谱划分方法的核心优势在于划分边界适应几何结构。八叉树方法切分固定中点，对于细长结构效率不高；直接回归方法没有显式空间层次，难以扩展至高分辨率。论文里的实验通常会展示不同深度下 CD 和 EMD 的下降趋势，以及可视化对比图中点云是否保持完整结构。

9. 常见坑与最佳实践

9.1 三个容易踩的坑

第一个坑是区域归一化不一致。编码器输入点云坐标如果有的区域归一化到 [-1, 1]，有的区域没有归一化，网络会学到错误的尺度信息。每个子区域在递归时，都要先减去区域中心，再除以区域半径或边长。

第二个坑是谱分解算法的随机性。Fiedler 向量的符号并不唯一，同一个划分可能得到正负相反的向量。如果不做符号对齐，网络无法稳定学习。训练时可以根据划分后两簇点数的多少来固定正负，例如约定正号表示点数较多的一侧。

第三个坑是叶子生成器直接回归全局坐标。局部坐标和全局坐标差异较大，如果叶子生成器直接输出全局点，网络要同时拟合位置和形状，更容易过拟合。更稳妥的方法是让叶子生成器输出局部坐标，推理时再做仿射变换。

9.2 最佳实践清单

• 训练前先确认所有输入点云都在统一坐标系中；
• 每个区域递归时保存包围盒中心和边长，推理时用于坐标还原；
• 使用 TensorBoard 监控划分损失和重建损失的变化趋势；
• 谱划分监督信号的 k 近邻图使用 numba 加速，避免 Python 循环太慢；
• 训练阶段定期保存 checkpoint，并记录深度、划分矩阵和生成点云的中间结果；
• 评估时不要在训练集上做 F-score，要使用独立的测试集；
• 如果显存不足，优先降低 batch size，其次降低 K，不要一开始就降低最大深度。

9.3 学习环境与生产环境差异

学习阶段可以只用几十个模型验证代码，训练 10 个 epoch 观察损失是否下降。生产环境或正式实验需要完整 ShapeNet 数据、更长的训练时间、更精细的参数搜索和严格的评估流程。此外，生产环境还需要加入日志记录、断点续训、分布式训练支持和模型版本管理。

以下是一份发布前检查清单，适合正式实验前使用：

• [ ] 数据是否划分训练集、验证集、测试集
• [ ] 是否统一了点云坐标范围和原点位置
• [ ] 谱划分使用的近邻图参数是否记录在配置文件中
• [ ] 每个叶子生成点数量是否与总点数匹配
• [ ] 推理脚本是否能从 checkpoint 恢复完整结构
• [ ] 评估指标是否在测试集上运行
• [ ] 是否保存了可视化中间结果
• [ ] 是否记录了每个实验的超参数组合

10. 从论文到实际项目：扩展方向

如果想把递归谱划分用到实际项目里，可以从以下几个方向延伸：

10.1 点云补全

输入部分点云时，可以先对已知点提取特征，再在缺失区域递归谱划分生成点。划分网络可以利用已知点云分布预测哪里的空间结构最复杂，优先细划那些区域。

10.2 高分辨率点云生成

直接回归高分辨率点云需要很大输出头，而递归方法可以把高分辨率问题拆成多个小分辨率问题。每个叶子点数量固定，树的深度增加后总点数指数增长，但每个叶子生成器的输出维度不变，因此显存开销可控。

10.3 结合隐式神经场

谱划分可以作为隐式神经场网络的空间自适应采样策略。把空间按几何特征递归分区，每个叶子区域分配独立的隐式特征，就可以在保持精度的同时减少计算量。

10.4 条件生成

在编码器输入中加入类别标签或图片特征，递归谱划分生成器就能做条件点云生成。类别标签影响全局特征，进而影响划分和叶子生成结果。

这些方向都建立在同一个核心判断上：点云生成不应该一次到位，而应该先分解空间，再局部生成。递归谱划分提供了一种可学习、可端到端训练的空间分解方式，这是它和传统固定网格划分的关键区别。在实际项目中，最重要的不是复现论文每一处细节，而是理解什么时候该划分、划分到什么粒度、每个局部区域如何独立生成点。把这三点想清楚，即使不使用谱划分，用八叉树或均匀网格也能设计出结构合理的点云生成系统。